論文の概要: Anomaly Detection via Gumbel Noise Score Matching

• arxiv url: http://arxiv.org/abs/2304.03220v1
• Date: Thu, 6 Apr 2023 16:52:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 13:25:54.618452
• Title: Anomaly Detection via Gumbel Noise Score Matching
• Title（参考訳）: ガンベル雑音スコアマッチングによる異常検出
• Authors: Ahsan Mahmood, Junier Oliva, Martin Styner
• Abstract要約: Gumbel Noise Score Matching (GNSM) は分類データの異常を検出する教師なしの手法である。 GNSMは全ての実験において一貫して高い性能を達成する。 本稿では,GNSMが活用するスコアマッチング学習目標の概要と,そのオープンソース実装について述べる。
• 参考スコア（独自算出の注目度）: 19.61640396236456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Gumbel Noise Score Matching (GNSM), a novel unsupervised method to detect anomalies in categorical data. GNSM accomplishes this by estimating the scores, i.e. the gradients of log likelihoods w.r.t.~inputs, of continuously relaxed categorical distributions. We test our method on a suite of anomaly detection tabular datasets. GNSM achieves a consistently high performance across all experiments. We further demonstrate the flexibility of GNSM by applying it to image data where the model is tasked to detect poor segmentation predictions. Images ranked anomalous by GNSM show clear segmentation failures, with the outputs of GNSM strongly correlating with segmentation metrics computed on ground-truth. We outline the score matching training objective utilized by GNSM and provide an open-source implementation of our work.
• Abstract（参考訳）: 本稿では,カテゴリーデータ中の異常を検出する新しい教師なし手法であるgumbel noise score matching (gnsm)を提案する。 GNSMは、連続的に緩和された圏分布の対数確率 w.r.t.~インプットの勾配を推定することでこれを達成している。 本手法は,テーブル状データセットの異常検出スイート上でテストする。 GNSMは全ての実験において一貫して高い性能を達成する。 さらに,画像データにGNSMを適用することで,モデルのセグメンテーション予測の低下を検出することで,GNSMの柔軟性を実証する。 GNSMが異常にランク付けした画像は明確なセグメンテーション障害を示し、GNSMの出力はグラウンドトルースで計算されたセグメンテーションメトリクスと強く関連している。 本稿では,GNSMが活用するスコアマッチング学習目標の概要と,そのオープンソース実装について述べる。

関連論文リスト

• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
  本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。 本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
  論文  参考訳（メタデータ） (2023-10-23T05:51:59Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Learning Confident Classifiers in the Presence of Label Noise [5.829762367794509]
  本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。 実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-02T04:27:25Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Boosting Active Learning via Improving Test Performance [35.9303900799961]
  勾配ノルムの高いラベル付きデータを選択すると、テスト損失の上限が低くなることを示す。 本稿では,期待次数とエントロピー次数という2つのスキームを提案する。 本手法は最先端技術に対して優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-12-10T17:25:14Z)
• Learning Graph Neural Networks for Multivariate Time Series Anomaly Detection [8.688578727646409]
  局所不確実性推定を用いたGLUE(Graph Deviation Network)を提案する。 GLUEは変数間の複雑な依存関係を学び、それを使って異常な振る舞いをよりよく識別する。 また、GLUEは、同様のセンサーをまとめる有意義なセンサー埋め込みを学習することを示す。
  論文  参考訳（メタデータ） (2021-11-15T21:05:58Z)
• Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
  グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。 しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。 本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T02:45:47Z)
• Non-Local Graph Neural Networks [60.28057802327858]
  本稿では,GNNに対する効果的な注意誘導ソート機能を備えた,シンプルで効果的な非局所集約フレームワークを提案する。 異種グラフデータセットを分析し,非局所的なGNNを評価するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2020-05-29T14:50:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。